Fugu-MT 論文翻訳(概要): Bio-Inspired Hashing for Unsupervised Similarity Search

論文の概要: Bio-Inspired Hashing for Unsupervised Similarity Search

arxiv url: http://arxiv.org/abs/2001.04907v2
Date: Tue, 30 Jun 2020 17:29:56 GMT
ステータス: 処理完了
システム内更新日: 2023-01-11 12:33:30.923385
Title: Bio-Inspired Hashing for Unsupervised Similarity Search
Title（参考訳）: 教師なし類似性探索のためのバイオインスパイアハッシュ
Authors: Chaitanya K. Ryali, John J. Hopfield, Leopold Grinberg, Dmitry Krotov
Abstract要約: 本稿では,データ駆動方式で疎い高次元ハッシュコードを生成する新しいハッシュアルゴリズムBioHashを提案する。我々の研究は、LSHが様々な生物学的システムにおけるスパース拡大モチーフの膨大さの計算的理由である可能性を示唆する証拠を提供する。
参考スコア（独自算出の注目度）: 12.78093617645299
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The fruit fly Drosophila's olfactory circuit has inspired a new locality sensitive hashing (LSH) algorithm, FlyHash. In contrast with classical LSH algorithms that produce low dimensional hash codes, FlyHash produces sparse high-dimensional hash codes and has also been shown to have superior empirical performance compared to classical LSH algorithms in similarity search. However, FlyHash uses random projections and cannot learn from data. Building on inspiration from FlyHash and the ubiquity of sparse expansive representations in neurobiology, our work proposes a novel hashing algorithm BioHash that produces sparse high dimensional hash codes in a data-driven manner. We show that BioHash outperforms previously published benchmarks for various hashing methods. Since our learning algorithm is based on a local and biologically plausible synaptic plasticity rule, our work provides evidence for the proposal that LSH might be a computational reason for the abundance of sparse expansive motifs in a variety of biological systems. We also propose a convolutional variant BioConvHash that further improves performance. From the perspective of computer science, BioHash and BioConvHash are fast, scalable and yield compressed binary representations that are useful for similarity search.
Abstract（参考訳）: ショウジョウバエの嗅覚回路は、新しい局所性感度ハッシュ(LSH)アルゴリズムであるFlyHashにインスピレーションを与えました。低次元ハッシュコードを生成する古典的なLSHアルゴリズムとは対照的に、FlyHashはスパースな高次元ハッシュコードを生成しており、類似検索における古典的なLSHアルゴリズムよりも経験的性能が優れていることも示されている。しかし、FlyHashはランダムなプロジェクションを使用しており、データから学べない。本研究では,FlyHashのインスピレーションと神経生物学におけるスパース拡大表現の普遍性に基づいて,データ駆動方式でスパース高次元ハッシュコードを生成する新しいハッシュアルゴリズムBioHashを提案する。 BioHashが以前発表したハッシュ手法のベンチマークより優れていることを示す。我々の学習アルゴリズムは, 局所的かつ生物学的に可塑性なシナプス可塑性則に基づいており, 様々な生物学的システムにおいて, LSHがスパース膨張モチーフの多量化の計算的理由である可能性が示唆されている。また,より高性能な畳み込み型BioConvHashを提案する。コンピュータ科学の観点から見ると、BioHashとBioConvHashは高速でスケーラブルで圧縮されたバイナリ表現であり、類似性検索に役立つ。

関連論文リスト

ConceptHash: Interpretable Fine-Grained Hashing via Concept Discovery [128.30514851911218]
ConceptHashは、サブコードレベルの解釈性を実現する新しい方法である。 ConceptHashでは、各サブコードは、オブジェクト部分のような人間の理解可能な概念に対応する。学習したハッシュコードが、きめ細かいオブジェクトクラス内で識別可能であることを保証するために、言語ガイダンスを組み込んだ。
論文参考訳（メタデータ） (2024-06-12T17:49:26Z)
Differentially Private One Permutation Hashing and Bin-wise Consistent Weighted Sampling [37.6593006747285]
Minwise hashing (MinHash) は、大規模な検索および学習アプリケーションで広く使われている標準アルゴリズムである。 1つの置換ハッシュ(OPH)は、データベクトルを$K$ binに分割し、各bin内でハッシュ値を生成するMinHashの効率的な代替手段である。我々は, DP-OPH-fix, DP-OPH-re, DP-OPH-randの3つの変種を用いたDP-OPHフレームワークを提案する。
論文参考訳（メタデータ） (2023-06-13T10:38:12Z)
A Lower Bound of Hash Codes' Performance [122.88252443695492]
本稿では,ハッシュ符号間のクラス間の差分性とクラス内圧縮性が,ハッシュ符号の性能の低い境界を決定することを証明する。次に、ハッシュコードの後部を推定し、それを制御することにより、上記の目的を完全に活用する代理モデルを提案し、低バイアス最適化を実現する。一連のハッシュモデルをテストすることで、平均精度が最大で26.5%、精度が最大で20.5%向上した。
論文参考訳（メタデータ） (2022-10-12T03:30:56Z)
Learning to Hash Naturally Sorts [84.90210592082829]
そこで我々はNaturely-Sorted Hashing (NSH)を導入し,最終結果のソートによる深層ハッシュモデルのトレーニングを行った。 NSHはサンプルのハッシュコードのハミング距離をソートし、それに従って自己教師付きトレーニングのための潜伏した表現を収集する。 Sorted Noise-Contrastive Estimation (SortedNCE) の新たな損失について述べる。
論文参考訳（メタデータ） (2022-01-31T16:19:02Z)
Self-Distilled Hashing for Deep Image Retrieval [25.645550298697938]
ハッシュベースの画像検索システムでは、元の入力から変換された入力は通常、異なるコードを生成する。本稿では,拡張データの可能性を活用しつつ,相違を最小限に抑えるために,自己蒸留ハッシュ方式を提案する。また、ハッシュプロキシに基づく類似性学習や、バイナリクロスエントロピーに基づく量子化損失を導入し、高品質なハッシュコードを提供する。
論文参考訳（メタデータ） (2021-12-16T12:01:50Z)
C-MinHash: Rigorously Reducing $K$ Permutations to Two [25.356048456005023]
MinHash (Minwise hashing) は、大量のバイナリ (0/1) データにおける Jaccard (resemblance) の類似性を近似するために、ランダムハッシュを生成するための重要かつ実用的なアルゴリズムである。我々は、bf Circulant MinHash (C-MinHash)を提案する。
論文参考訳（メタデータ） (2021-09-07T21:06:33Z)
Unsupervised Multi-Index Semantic Hashing [23.169142004594434]
マルチインデックスハッシュに最適化することで,効率的かつ高効率なハッシュコードを学習する教師なしハッシュモデルを提案する。文書類似度検索のタスクにおいて、MISHと最先端のセマンティックハッシュベースラインを実験的に比較する。マルチインデックスハッシュは、線形スキャンと比較してベースラインの効率も向上しますが、MISHよりも33%遅くなっています。
論文参考訳（メタデータ） (2021-03-26T13:33:48Z)
CIMON: Towards High-quality Hash Codes [63.37321228830102]
我々はtextbfComprehensive stextbfImilarity textbfMining と ctextbfOnsistency leartextbfNing (CIMON) という新しい手法を提案する。まず、グローバルな洗練と類似度統計分布を用いて、信頼性とスムーズなガイダンスを得る。第二に、意味的整合性学習とコントラスト的整合性学習の両方を導入して、乱不変と差別的ハッシュコードの両方を導出する。
論文参考訳（メタデータ） (2020-10-15T14:47:14Z)
Deep Reinforcement Learning with Label Embedding Reward for Supervised Image Hashing [85.84690941656528]
深層型ハッシュのための新しい意思決定手法を提案する。我々はBose-Chaudhuri-Hocquenghem符号で定義された新しいラベル埋め込み報酬を用いて、深いQ-ネットワークを学ぶ。我々の手法は、様々なコード長で最先端の教師付きハッシュ法より優れています。
論文参考訳（メタデータ） (2020-08-10T09:17:20Z)
Procrustean Orthogonal Sparse Hashing [3.302605292858623]
昆虫の嗅覚は, スパースハッシュと構造的に, 機能的に類似していることが示されている。本稿ではこれらの知見を統一する新しい方法であるPOSH(Procrustean Orthogonal Sparse Hashing)を提案する。本稿では,これらの欠陥に対処する2つの新しい手法,Binary OSLとSphericalHashを提案する。
論文参考訳（メタデータ） (2020-06-08T18:09:33Z)
Reinforcing Short-Length Hashing [61.75883795807109]
既存の手法は、非常に短いハッシュコードを用いた検索性能が劣っている。本研究では, 短寿命ハッシュ(RSLH)を改良する新しい手法を提案する。本稿では,ハッシュ表現とセマンティックラベルの相互再構成を行い,セマンティック情報を保存する。 3つの大規模画像ベンチマークの実験は、様々な短いハッシュシナリオ下でのRSLHの優れた性能を示す。
論文参考訳（メタデータ） (2020-04-24T02:23:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。